SavedAdd your journal

Journals / EMO Bilimsel Dergi / 2021 / Cilt: 11 - Sayı: 22

Klinik Araştırmalarda Geliştirilen Yapay Zekâ Modelleri için Yol Haritası

Alican AŞAN
Duygu SİNANÇ TERZİ
Pages
7–14
Publication Date
2022-10-12
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu yol haritasının, uygulayıcılara farklı bakış açıları sunması, geliştirilecek modellerin performansını iyileştirmesi ve gerçek dünya uygulamalarının artışında rol oynaması beklenmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Yapay zekânın sağlık hizmetlerinin şeklini değiştirmeye başlamasıyla beraber gündeme gelen ve klinik araştırmalarda geliştirilen uygulamaların hayata geçirilmesinin önünde duran çeşitli zorluklar vardır.
📊
Key Findings & Data:Bu zorluklar; veri seti hazırlamaktan önişleme tekniklerine, model eğitiminden modelin çıktılarının yorumlanmasına kadar model geliştirme sürecinin neredeyse her fazında problem yaratmakta hatta hatalı ve yanlı modellerin geliştirilmesine sebep olmaktadır.
💡
Conclusion & Impact:Bu yol haritasının, uygulayıcılara farklı bakış açıları sunması, geliştirilecek modellerin performansını iyileştirmesi ve gerçek dünya uygulamalarının artışında rol oynaması beklenmektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:yapay zekâ · klinik araştırma · yol haritası

Özet

Yapay zekânın sağlık hizmetlerinin şeklini değiştirmeye başlamasıyla beraber gündeme gelen ve klinik araştırmalarda geliştirilen uygulamaların hayata geçirilmesinin önünde duran çeşitli zorluklar vardır. Bu zorluklar; veri seti hazırlamaktan önişleme tekniklerine, model eğitiminden modelin çıktılarının yorumlanmasına kadar model geliştirme sürecinin neredeyse her fazında problem yaratmakta hatta hatalı ve yanlı modellerin geliştirilmesine sebep olmaktadır. Bu çalışmada, yapay zekânın potansiyelinin ortaya koyulmasını engelleyen zorlukların, yapay zekâ uzmanları ve sağlık çalışanları arasındaki iş birliği ile yani veri ve deneyimin birleştirilmesiyle mümkün olacağını vurgulayan bir yol haritası sunulmuştur. Bu yol haritasındaki her adımda karşılaşılan zorluklar ve önerilen çözümler, çeşitli sağlık uygulamaları ile örneklendirilmiştir. Bu yol haritasının, uygulayıcılara farklı bakış açıları sunması, geliştirilecek modellerin performansını iyileştirmesi ve gerçek dünya uygulamalarının artışında rol oynaması beklenmektedir.

🔖

Cite This Article

AŞAN, A., TERZİ, D. S. (2022). Klinik Araştırmalarda Geliştirilen Yapay Zekâ Modelleri için Yol Haritası. EMO Bilimsel Dergi, Cilt: 11 - Sayı: 22, 7–14. https://ajindex.com/articles/497044

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Salazar-Reyna, R., Gonzalez-Aleu, F., Granda-Gutierrez, E. M., Diaz-Ramirez, J., Garza-Reyes, J. A., Kumar, A. (2020). A systematic literature review of data science, data analytics and machine learning applied to healthcare engineering systems. Management Decision, 25, 1-20.
  2. Abedjan, Z., Boujemaa, N., Campbell, S., Casla, P., Chatterjea, S., Consoli, S., Costa-Soria, C., Czech, P., Despenic, M., Garattini, C. (2019). Data Science in Healthcare: Benefits, Challenges and Opportunities. In: Consoli S., Reforgiato Recupero D., Petković M. Data Science for Healthcare. Springer, 3-38.
  3. Noorbakhsh-Sabet, N., Zand, R., Zhang, Y., Abedi, V. (2019). Artificial intelligence transforms the future of health care. The American journal of medicine, 132(7), 795-801.
  4. Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J.W., Santos, L.B., Bourne, P. E. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific data, 3(1), 1-9.
  5. Ghassemi, M., Naumann, T., Schulam, P., Beam, A. L., Chen, I. Y., Ranganath, R. (2019). Practical guidance on artificial intelligence for health-care data. The Lancet Digital Health, 1(4), e157-e159. Maddox, T. M., Rumsfeld, J. S., Payne, P. R. (2019). Questions for artificial intelligence in health care. Jama, 321(1), 31-32.
  6. Menze, B. H., Jakab, A., Bauer, S., Kalpathy-Cramer, J., Farahani, K., Kirby, Burren, Y., Porz, N., Slotboom, J., Wiest, R., Lanczi, L. (2014). The multimodal brain tumor image segmentation benchmark (BRATS). IEEE transactions on medical imaging, 34(10), 1993-2024.
  7. Parikh, R. B., Teeple, S., Navathe, A. S. (2019). Addressing bias in artificial intelligence in health care. Jama, 322(24), 2377-2378.
  8. Althubaiti, A. (2016). Information bias in health research: definition, pitfalls, and adjustment methods. Journal of multidisciplinary healthcare, 9, 211. Engel, J., Gerretzen, J., Szymańska, E., Jansen, J. J., Downey, G., Blanchet, L., Buydens, L. M. (2013). Breaking with trends in pre-processing?. TrAC Trends in Analytical Chemistry, 50, 96-106.
  9. Panch, T., Szolovits, P., Atun, R. (2018). Artificial intelligence, machine learning and health systems. Journal of global health, 8(2), 1-8.
  10. Beam, A. L., Kohane, I. S. (2018). Big data and machine learning in health care. Jama, 319(13), 1317-1318.
  11. Hacohen, G., & Weinshall, D. (2019). On the power of curriculum learning in training deep networks. arXiv preprint arXiv:1904.03626. Hernández-Orallo, J. (